KR20240056082A - 지상관측 자료와 레이더 반사도를 활용한 심층학습 기반 초단기 강수 예측을 위한 방법, 컴퓨터 장치, 및 컴퓨터 프로그램 - Google Patents

Abstract

지상관측 자료와 레이더 반사도를 활용한 심층학습 기반 초단기 강수 예측을 위한 방법, 컴퓨터 장치, 및 컴퓨터 프로그램이 개시된다. 강수 예측 방법은, 대상 지역의 레이더 관측 자료와 지상 관측 자료를 수집하는 단계; 및 상기 레이더 관측 자료와 상기 지상 관측 자료를 입력으로 하는 딥러닝 기반 강수 예측 모델을 통해 상기 대상 지역에 대한 강수 예측을 수행하는 단계를 포함할 수 있다.

Description

지상관측 자료와 레이더 반사도를 활용한 심층학습 기반 초단기 강수 예측을 위한 방법, 컴퓨터 장치, 및 컴퓨터 프로그램{METHOD, COMPUTER DEVICE, AND COMPUTER PROGRAM FOR Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station Data and Radar Data}

아래의 설명은 딥러닝(deep learning) 모델을 통해 강수 정보를 예측하는 기술에 관한 것이다.

강수량은 일상 생활에 중대한 영향을 미치며, 폭우는 돌발 홍수와 산사태를 포함한 심각한 재난을 초래하여 건강과 사회 기반 시설에 위험을 초래할 수 있다.

지금까지 기상 예보에는 물리 기반 수치 예보(numerical weather prediction, NWP) 모델이 주로 사용되고 있다. 강수에 대한 NWP 모델의 예측 기술은 크게 향상되고 있지만, 환경 설정에 따라 구름과 강수 과정의 다양한 미세 물리적 특성으로 인해 정확한 강수량과 강수 위치를 예측하는 것은 여전히 중요한 과제이다. 예를 들어, 가장 잘 알려진 NWP 모델 중 하나인 WRF(Weather Research and Forecasting) 모델에서는 다양한 통계적 관계를 기반으로 구름과 강수 과정을 설명하는 다양한 미세 물리 매개 변수화 방법이 사용된다.

관련 기술의 일례로, 한국 공개특허공보 제10-2009-0131564호(공개일 2009년 12월 29일)에는 인공위성이 관측한 3차원의 기상자료를 분석하여 제공하는 기술이 개시되어 있다.

레이더 자료와 함께 지상 관측 자료를 이용하여 초단기 강수 예측(precipitation nowcasting)을 수행할 수 있는 방법 및 장치를 제공한다.

컴퓨터 장치에서 수행되는 강수 예측 방법에 있어서, 상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 강수 예측 방법은, 상기 적어도 하나의 프로세서의 의해, 대상 지역의 레이더 관측 자료와 지상 관측 자료를 수집하는 단계; 및 상기 적어도 하나의 프로세서의 의해, 상기 레이더 관측 자료와 상기 지상 관측 자료를 입력으로 하는 딥러닝 기반 강수 예측 모델을 통해 상기 대상 지역에 대한 강수 예측을 수행하는 단계를 포함하는 강수 예측 방법을 제공한다.

일 측면에 따르면, 상기 수집하는 단계는, 상기 대상 지역에 대한 레이더 이미지 형식의 자료를 상기 레이더 관측 자료로 수집하는 단계; 및 상기 대상 지역 내 기상 관측소에서 관측된 온도와 습도 및 풍향을 포함한 기상 정보를 상기 지상 관측 자료로 수집하는 단계를 포함할 수 있다.

다른 측면에 따르면, 상기 수행하는 단계는, 기상 관측소의 위치, 관측 날짜 및 관측 시간, 리드 타임(lead times)을 상기 지상 관측 자료의 보조 정보로 사용하여 상기 대상 지역에 대한 강수 예측을 수행할 수 있다.

또 다른 측면에 따르면, 상기 수행하는 단계는, 과거 일정 시간 동안의 상기 레이더 관측 자료와 상기 지상 관측 자료를 이용하여 리드 타임 범위 내의 강수량을 예측하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 딥러닝 기반 강수 예측 모델은 상기 지상 관측 자료에 포함된 시간적 정보를 학습하는 RNN(Recurrent neural network) 모델로 구성될 수 있다.

또 다른 측면에 따르면, 상기 딥러닝 기반 강수 예측 모델은 상기 지상 관측 자료에 포함된 시간적 정보를 학습하는 LSTM(long short-term memory) 모델과 상기 지상 관측 자료에 포함된 공간적 정보를 학습하는 어텐션(attention) 모델로 구성될 수 있다.

또 다른 측면에 따르면, 상기 어텐션 모델은 상기 공간적 정보로서 기상 관측소 쌍 간의 상황 관계(contextual relationship)를 학습하기 위한 자기-어텐션(self-attention) 모델을 사용할 수 있다.

또 다른 측면에 따르면, 상기 어텐션 모델은 상기 공간적 정보에 대한 자기-어텐션을 위해 멀티-헤드 어텐션 계층(multi-head attention layer)과 FFN(feed-forward network)로 구성된 트랜스포머(Transformer)의 인코더 계층을 포함할 수 있다.

또 다른 측면에 따르면, 상기 딥러닝 기반 강수 예측 모델은 상기 레이더 관측 자료에 포함된 레이더 이미지를 학습하는 CNN(convolutional neural network) 모델로 구성될 수 있다.

강수 예측 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램에 있어서, 상기 강수 예측 방법은, 대상 지역의 레이더 관측 자료와 지상 관측 자료를 수집하는 단계; 및 상기 레이더 관측 자료와 상기 지상 관측 자료를 입력으로 하는 딥러닝 기반 강수 예측 모델을 통해 상기 대상 지역에 대한 강수 예측을 수행하는 단계를 포함하는, 컴퓨터 프로그램을 제공한다.

컴퓨터 장치에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 대상 지역의 레이더 관측 자료와 지상 관측 자료를 수집하는 과정; 및 상기 레이더 관측 자료와 상기 지상 관측 자료를 입력으로 하는 딥러닝 기반 강수 예측 모델을 통해 상기 대상 지역에 대한 강수 예측을 수행하는 과정을 처리하는 컴퓨터 장치를 제공한다.

본 발명의 실시예에 따르면, 레이더 자료와 함께 지상 관측 자료를 이용하여 초단기 강수 예측을 수행함으로써 초단기 강수 예측의 정확도를 향상시킬 수 있다.

본 발명의 실시예에 따르면, 레이더 자료와 지상 관측 자료를 이용한 딥러닝 예측 모델을 통해 보다 적은 자원으로 더욱 빠르게 강수 예측을 수행할 수 있다.

도 1은 본 발명의 일실시예에 있어서 컴퓨터 장치의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 2는 본 발명의 일실시예에 있어서 지상 관측 자료와 레이더 자료를 이용한 초단기 강수 예측 방법의 일례를 설명하기 위한 순서도이다.
도 3은 본 발명의 일실시예에 있어서 지상 관측 자료와 레이더 자료를 이용한 초단기 강수 예측 모델의 추론 과정을 설명하기 위한 예시 도면이다.
도 4는 본 발명의 일실시예에 있어서 지상 관측 자료와 레이더 자료를 이용한 초단기 강수 예측 모델의 추론 과정에 대한 알고리즘 예시를 도시한 것이다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

본 발명의 실시예들은 딥러닝 모델을 통해 강수 정보를 예측하는 기술에 관한 것이다.

본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 레이더 자료와 함께 지상 관측 자료를 이용한 딥러닝 모델을 통해 초단기 강수 예측을 수행할 수 있다.

도 1은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 예를 들어, 본 발명의 실시예들에 따른 강수 예측 시스템은 도 1을 통해 도시된 컴퓨터 장치(100)에 의해 구현될 수 있다.

도 1에 도시된 바와 같이 컴퓨터 장치(100)는 본 발명의 실시예들에 따른 강수 예측 방법을 실행하기 위한 구성요소로서, 메모리(110), 프로세서(120), 통신 인터페이스(130) 그리고 입출력 인터페이스(140)를 포함할 수 있다.

메모리(110)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(110)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(100)에 포함될 수도 있다. 또한, 메모리(110)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(110)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(110)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(130)를 통해 메모리(110)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(160)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(100)의 메모리(110)에 로딩될 수 있다.

프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 인터페이스(130)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어 프로세서(120)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 인터페이스(130)은 네트워크(160)를 통해 컴퓨터 장치(100)가 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(100)의 프로세서(120)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(130)의 제어에 따라 네트워크(160)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(160)를 거쳐 컴퓨터 장치(100)의 통신 인터페이스(130)를 통해 컴퓨터 장치(100)로 수신될 수 있다. 통신 인터페이스(130)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(120)나 메모리(110)로 전달될 수 있고, 파일 등은 컴퓨터 장치(100)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들 간의 근거리 유선/무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(160)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

입출력 인터페이스(140)는 입출력 장치(150)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드, 카메라 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(150)는 컴퓨터 장치(100)와 하나의 장치로 구성될 수도 있다.

또한, 다른 실시예들에서 컴퓨터 장치(100)는 도 1의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(100)는 상술한 입출력 장치(150) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

이하에서는 지상관측 자료와 레이더 반사도를 활용한 딥러닝 기반 초단기 강수 예측 기술의 구체적인 실시예를 설명하기로 한다.

본 실시예에 따른 컴퓨터 장치(100)에는 컴퓨터로 구현된 강수 예측 시스템이 구성될 수 있다. 컴퓨터 장치(100)의 프로세서(120)는 이하의 강수 예측 방법을 수행하기 위한 구성요소로 구현될 수 있다. 실시예에 따라 프로세서(120)의 구성요소들은 선택적으로 프로세서(120)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(120)의 구성요소들은 프로세서(120)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.

이러한 프로세서(120) 및 프로세서(120)의 구성요소들은 이하의 강수 예측 방법이 포함하는 단계들을 수행하도록 컴퓨터 장치(100)를 제어할 수 있다. 예를 들어, 프로세서(120) 및 프로세서(120)의 구성요소들은 메모리(110)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.

여기서, 프로세서(120)의 구성요소들은 컴퓨터 장치(100)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(120)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.

프로세서(120)는 컴퓨터 장치(100)의 제어와 관련된 명령이 로딩된 메모리(110)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(120)가 이후 설명될 학습 과정을 실행하도록 제어하기 위한 명령을 포함할 수 있다.

기상 예측 분야에서는 일반적으로 레이더 자료 혹은 위성 이미지를 통해 초단기 강수 예측을 수행하는 딥러닝 모델을 이용하고 있다. 딥러닝 기반 기상 예측 모델은 초기에 별도의 학습이 필요하며, 학습이 끝난 후에는 짧은 예측 시간을 보인다는 장점이 있다. 따라서, 각 나라나 기업에서 딥러닝을 활용한 초단기 기상 예측 모델을 제안하고 있으며, 그 효과가 꾸준히 검증되고 있다.

본 실시예들은 레이더 자료와 함께 강수 예측에 도움이 되는 풍부한 자료를 담고 있는 지상 관측 자료를 이용하여 초단기 강수 예측을 수행하는 알고리즘에 관한 것이다.

도 2는 본 발명의 일실시예에 있어서 지상 관측 자료와 레이더 자료를 이용한 초단기 강수 예측 방법의 일례를 설명하기 위한 순서도이다.

도 2를 참조하면, 단계(S210)과 단계(S220)에서 프로세서(120)는 대상 지역의 레이더 관측 자료와 지상 관측 자료를 수집할 수 있다. 이때, 프로세서(120)는 대상 지역에 대한 레이더 이미지 형식의 자료를 해당 지역의 레이더 관측 자료로 수집할 수 있다. 그리고, 프로세서(120)는 대상 지역 내 기상 관측소에서 관측된 온도, 습도, 풍향 등의 기상 정보를 해당 지역의 지상 관측 자료로 수집할 수 있다.

단계(S230)에서 프로세서(120)는 단계(S210)에서 수집된 레이더 관측 자료와 단계(S220)에서 수집된 지상 관측 자료를 입력으로 하는 딥러닝 기반 강수 예측 모델을 통해 대상 지역에 대한 강수 예측을 수행할 수 있다. 딥러닝 기반 강수 예측 모델에 대해 이하에서 구체적으로 설명하기로 한다.

먼저, 기본 표기법을 소개하고 강수 예측 문제의 공식화를 설명한다.

자주 사용되는 기호는 표 1에 나열되어 있다.

Notation	Description
t	시간 (단위: 분)
	각 영역 x에서의 시간 t의 레이더 반사율 (단위: dbZ)
	전체 영역에서의 시간 t의 레이더 반사도 이미지
I	지상 기상 관측소가 있는 영역 집합
	각 영역 x에서의 시간 t의 지상 관측 데이터
	전체 영역에서의 시간 t의 지상 관측 데이터
	각 영역 x에서의 시간 t의 실측 강수 등급
	각 영역 x에서의 시간 t의 강수 등급에 대한 예측 확률 분포

각 영역 x에서 시간 t의 레이더 반사율을 dbZ 단위로 나타내기 위해 을 사용하고, 시간 t의 전체 레이더 반사율 이미지를 나타내기 위해 를 사용한다. 본 실시예에서는 I를 사용하여 지상 기상 관측소가 위치한 영역의 집합을 나타낼 수 있다. 는 시간 t에서 각 영역 의 지상 관측 데이터를 나타내고, 는 시간 t에서 모든 영역 I의 지상 관측 데이터를 나타낸다. 마지막으로, 는 시간 t에서 각 영역 x의 실측(ground-truth) 강수 등급을 나타내고, 는 시간 t에서 각 영역 x의 강수 등급에 대한 예측 확률 분포를 나타낸다.강수 예측의 목표는 매우 짧은 리드 시간에서 강수 레벨과 위치를 예측하는 것이다. 본 실시예에서는 위치 별 분류 문제를 공식화한다. 구체적으로, 세 가지 등급으로서 (a) 10 mm/hr 이상의 강수량은 헤비(HEAVY) 레벨, (b) 1 mm/hr 이상 10 mm/hr 미만의 강수량에 대해 라이트(LIGHT) 레벨, 그리고 (c) 1 mm/hr 미만의 강수량에 대해 기타(OTHERS) 레벨로 강수량을 나눈다. 또한, 최소 1mm/hr의 강수량을 위해 RAIN(=HEAVY+LIGHT)이라는 복합 등급을 자주 사용한다. 본 실시예에서는 강수 예측을 위한 입력으로 여러 기상 관측소에서 수집한 지상 관측 데이터와 한 시간 동안 수집된 레이더 반사율 이미지를 사용한다. 지상 관측 자료와 레이더 자료를 10분마다 수집한다고 가정할 때, 예를 들어 시간 t에서 분 단위로 예측을 수행한다면, 입력은 (a) 시간 에서 7개의 레이더 반사율 이미지, 즉 , , ?, 이고, (b) 시간 7개의 지상 관측 스냅샷 , , ?, 이다. 마지막으로, 리드 시간 범위는 최소 1시간에서 최대 6시간까지 1시간 단위로 선택된다. 즉, 중에서 분 단위의 목표 시간 t'가 추가 입력으로 주어진다. 다시 말해, 과거 1시간 동안의 지상의 여러 관측에서 수집된 자료와 레이더 자료를 활용하여 향후 0~6시간의 강수량을 예측하는 것으로 목표로 한다. 요약하면, 본 실시예에서 강수 예측 문제는 다음과 같이 요약할 수 있다.

문제 1. (시간 t의 강수 예측) - Given data (1) 목표 시간 (2) 레이더 반사율 이미지 (3) 지상 관측 데이터 - Find 예측 함수 - to Maximize 분류 성능

본 실시예에서는 CSI(critical success index) 점수와 F1 점수를 사용하여 분류 성능을 측정할 수 있다. 각 강수 등급 c(예를 들어, HEAVY, RAIN)에 대한 CSI 점수와 F1 점수는 아래 수학식과 같이 정의될 수 있다.[수학식 1]

[수학식 2]

여기서, TP_c, FP_c, FN_c는 각 강수 등급 c에 대한 참 양성(true positive), 거짓 양성(false positive), 거짓 음성(false negative)의 카운트를 의미한다.

다음으로, 여러 기상 관측소에서 수집한 기상 관측을 기반으로 강수 예측 위한 새로운 딥 러닝 모델(이하, 'ASOC 모델'이라 칭함)을 설명한다. 또한, ASOC 모델이 강수 예측을 위한 레이더-이미지 기반 모델과 결합된 ASOC+ 모델에 대해서도 설명한다.

다중 지상 기반 관측을 충분히 활용하기 위해서는 다음과 같은 측면을 고려할 필요가 있다.

(1) 관측치의 시간적 역학(Temporal dynamics of observations): 시간에 따른 지상 관측 시퀀스가 입력으로 제공되며, 이들의 시간 역학은 예측에 유용하다.

(2) 관측치 간의 상황별 관계(Contextual relationships between observations): 서로 다른 기상 관측소에서 수집된 지상 기반 관측치는 서로 관련이 있으며, 예측에 유용한 각 쌍의 관계 강도는 리드 타임, 전체 기상 조건, 기상 관측소 간 거리 등 상황에 따라 달라진다.

지상 관측의 시간적 역학을 포착하기 위해 RNN(Recurrent neural network) 중 하나로 시간적 정보를 학습하는 LSTM(long short-term memory)을 사용하여 문제 1(표 2)의 예측 함수 를 매개변수화한다. 또한, 공간적 정보를 학습하는 자기-어텐션(self-attention) 모델을 사용하여 기상 관측소 쌍 간의 상황 관계를 학습할 수 있다.

도 3은 본 발명의 일실시예에 있어서 지상 관측 자료와 레이더 자료를 이용한 초단기 강수 예측 모델(ASOC+ 모델)의 전반적인 추론 과정을 도시한 것이다.

도 3을 참조하면, 지상 관측 스냅샷(201) 각각은 레이더 반사도 이미지에서 변환된 피처(픽셀 임베딩)(202)과 관측소의 위치, 타겟 예측 시간 등을 포함하는 보조 정보(203)가 연결될 수 있다. 레이더 반사도 이미지에서 변환된 피처(202)는 LSTM 셀과 자기-어텐션 모듈로 구성된 블록의 입력으로 사용될 수 있다. 마지막으로, 순환 아키텍처의 출력을 기반으로 최종 예측 결과가 결정될 수 있다.

시간적 역할 활용(Exploiting temporal dynamics)

시간에 따른 지상 관측의 연속적인 스냅샷(201)이 제공되고, 지상 관측 스냅샷(201)의 시간적 역학을 포착하는 것은 강수 예측에 필수적이다. 시간적 정보의 손실을 초래하는 순열 불변 모델(permutation-invariant model)을 사용하여 관찰을 처리하는 대신, 매개변수화를 위해 반복적인 아키텍처를 사용하고 입력을 순차적으로 모델에 공급하는 것이 합리적이다.

본 실시예에서는 지상 관측 자료를 처리함에 있어 시간적 정보를 학습하는 LSTM 모델을 사용한다. 각 LSTM 셀은 한 번에 하나의 기상 관측소에 대한 입력을 처리한다. 따라서, 각 LSTM 셀 내부에서 한 스테이션에서 얻은 관측치는 다른 스테이션의 출력에 직접적인 영향을 미치지 않는다.

관측치 간의 상황별 관계 활용(Exploiting contextual relationships between observations)

LSTM 셀 내부의 관측치 간의 관계를 고려하는 대신, LSTM 셀 간의 자기-어텐션 블록에서 별도로 고려할 수 있다. 구체적으로, LSTM의 숨겨진 상태와 셀 상태 중 셀 상태를 그대로 유지하면서 어텐션 메커니즘을 사용하여 숨겨진 상태만 변환한다. 자기-어텐션을 위해 멀티-헤드 어텐션 계층(multi-head attention layer)과 FFN(feed-forward network)로 구성된 트랜스포머(Transformer)의 인코더 계층을 사용한다. 본 실시예에서는 입력 지상 관측 자료에 강우량과 같은 규모에 민감한 특징이 포함되어 있기 때문에 계층 정규화를 전혀 사용하지 않았다.

이미지 기반 예측 모델과의 통합(Integration to image-based prediction models)

지상 관측 자료 이외에도 추가 정보(예: 각 영역의 레이더 반사율)(203)를 모델에 제공할 수 있다. 보조 정보(203)로는 각 관측소의 위치와 리드 타임을 이용할 수 있다.

구체적으로, 본 실시예에서는 (a) 각 영역의 위치를 나타내는 2차원 벡터, (b) 관측 날짜를 나타내는 2차원 벡터, (c) 관측 시간을 나타내는 2차원 벡터, (d) 리드 타임에 대한 6차원 원-핫 벡터(one-hot vector)를 사용한다. (c) 벡터와 (d) 벡터는 모든 영역에서 동일하다. 위치에 대한 각 2차원 벡터에 대해 최소-최대 정규화 후 좌표를 사용한다. 관측 날짜 및 시간에 대한 2차원 벡터에 대해 최소-최대 정규화를 수행하고 결과를 사인 및 코사인 함수에 공급한다. 벡터는 모두 각 기상 관측소에서 지상 관측 벡터와 연결되어 있다.

또한, 이미지 기반 강수 예측 모델의 출력 픽셀 임베딩이 추가 입력으로 사용될 수 있다. 이러한 목적을 위해 본 실시예에서는 레이더 이미지 기반 예측 모델인 ASOC+ 모델을 사용할 수 있다.

요컨대, 각 영역 에 대해 영역 x 및 시간 t에 대한 ASOC+의 최종 입력 특징은 (a) 지상 관측 특징 , (b) 레이더 반사도 이미지에서 얻어진 해당 영역의 픽셀 임베딩, (c) 영역 x의 위치를 나타내는 2차원 벡터, (d) 10차원 공통 보조 정보 벡터의 연결 벡터를 포함할 수 있다. ASOC에서 (b)를 제외한 모든 벡터는 입력으로 사용되도록 연결된다.

LSTM 부분의 출력을 얻은 후, ASOC와 ASOC+는 완전 연결 계층(fully-connected layer)을 통해 각 영역에 대한 최종 출력 확률 분포 를 구한다. LSTM 부분의 출력과 함께 LSTM 부분의 최종 입력 벡터도 마지막 완전 연결 계층에 공급된다.

본 발명에 따른 딥러닝 기반 초단기 강수 예측 모델인 ASOC+의 전체 추론 단계에 대한 의사 코드는 도 4에 도시된 알고리즘 1과 같다. 지상 관측 자료 처리를 위해서는 공간적 정보를 학습하는 어텐션 모델과 시간적 정보를 학습하는 LSTM 모델을 적용할 수 있고, 레이더 자료 처리를 위해서는 CNN(convolutional neural network) 모델 중 하나인 이미지 분할 작업(즉, 픽셀 단위의 분류)을 위한 U-Net을 활용할 수 있다.

본 실시예들은 1시간 내지 6시간 두의 강수량 예측이 가능한 모델을 구축할 수 있고, 강수 예측 모델의 입력 데이터로 레이더 관측 자료, 지상 관측 지점에서 측정한 기상 데이터, 날짜 및 시간 정보, 지상 관측 지점의 위도 및 경도를 사용할 수 있다.

훈련 방법

본 발명에 따른 딥러닝 기반 초단기 강수 예측 모델인 ASOC+ 모델의 훈련 과정은 (a) 레이더 이미지를 사용한 사전 훈련 과정과, (b) 레이더 이미지와 지상 관측 데이터를 사용한 미세 조정 과정을 포함할 수 있다.

본 실시예에서는 사전 훈련 동안 손실 함수로 EMD(Earth-mover distance)를 사용하여 레이더 반사율 등급에 대한 예측 확률 분포 사이의 간격을 최소화한다. 그런 다음, 손실 함수를 사용하여 ASOC+ 모델의 미세조정을 수행한다.

이때, 손실 함수는 수학식 3과 같이 정의된 근사 CSI 점수의 음의 평균이다.

[수학식 3]

여기서, , , 은 각 강수 등급 c에 대한 참 양성, 거짓 양성, 거짓 음성의 수에 대한 미분 가능한 근사치를 의미한다.

ASOC 모델의 훈련 과정에서는 지상 관측 자료를 사용하여 미세 조정 단계를 수행할 수 있다.

본 발명에 따른 딥러닝 기반 초단기 강수 예측 모델은 레이더 관측 자료와 지상 관측 자료를 모두 입력으로 사용한다. 레이더 관측 자료에는 지상 관측 자료에 포함되어 있는 온도, 습도, 풍향 등의 기상 정보가 포함되어 있지 않으며, 지상 관측 자료는 레이더 관측 자료와 같이 대상 지역에 고르게 분포해 있지 않기 때문에 두 데이터를 함께 사용하면 더 풍부한 정보를 얻을 수 있다. 이를 위해, 본 발명에서는 이미지 형식의 레이더 관측 자료와 불규칙하게 분포해 있는 지상 관측 자료를 시간적, 공간적 정보를 고려해 통합하는 과정을 포함할 수 있다.

본 발명에서는 이미지 학습에 적합한 CNN 모델과 함께, 시간에 따른 기상 정보를 활용하기 위해 RNN을 추가로 사용한다. 또한, 지역별로 주변 정보가 영향을 주는 정도가 다를 때 이를 반영한 학습이 가능한 어텐션 매커니즘을 사용한다. 따라서, 본 실시예들은 시간적 특성과 공간적 특성을 효과적으로 학습할 수 있는 모델 구조를 통해 강수량을 예측함으로써 예측 정확도를 향상시킬 수 있다.

본 발명에 따른 딥러닝 기반 초단기 강수 예측 모델은 레이더 관측 자료를 통하여 추정한 강수 강도를 예측하는 것이 아닌, 실제 지상 관측 지점에서 측정한 강수 강도를 예측하는 것을 목표로 한다. 따라서, 레이더 관측 자료와 실제 강수 강도와의 오차가 존재하지 않으므로 보다 정확한 모델 학습을 수행할 수 있다.

이처럼 본 발명의 실시예들에 따르면, 레이더 자료와 함께 지상 관측 자료를 이용하여 초단기 강수 예측을 수행함으로써 초단기 강수 예측의 정확도를 향상시킬 수 있다. 본 발명의 실시예에 따르면, 레이더 자료와 지상 관측 자료를 이용한 딥러닝 예측 모델을 통해 보다 적은 자원으로 더욱 빠르게 강수 예측을 수행할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (11)

1. 컴퓨터 장치에서 수행되는 강수 예측 방법에 있어서,
   상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
   상기 강수 예측 방법은,
   상기 적어도 하나의 프로세서의 의해, 대상 지역의 레이더 관측 자료와 지상 관측 자료를 수집하는 단계; 및
   상기 적어도 하나의 프로세서의 의해, 상기 레이더 관측 자료와 상기 지상 관측 자료를 입력으로 하는 딥러닝 기반 강수 예측 모델을 통해 상기 대상 지역에 대한 강수 예측을 수행하는 단계
   를 포함하는 강수 예측 방법.
2. 제1항에 있어서,
   상기 수집하는 단계는,
   상기 대상 지역에 대한 레이더 이미지 형식의 자료를 상기 레이더 관측 자료로 수집하는 단계; 및
   상기 대상 지역 내 기상 관측소에서 관측된 온도와 습도 및 풍향을 포함한 기상 정보를 상기 지상 관측 자료로 수집하는 단계
   를 포함하는 강수 예측 방법.
3. 제1항에 있어서,
   상기 수행하는 단계는,
   기상 관측소의 위치, 관측 날짜 및 관측 시간, 리드 타임(lead times)을 상기 지상 관측 자료의 보조 정보로 사용하여 상기 대상 지역에 대한 강수 예측을 수행하는 것
   을 특징으로 하는 강수 예측 방법.
4. 제1항에 있어서,
   상기 수행하는 단계는,
   과거 일정 시간 동안의 상기 레이더 관측 자료와 상기 지상 관측 자료를 이용하여 리드 타임 범위 내의 강수량을 예측하는 단계
   를 포함하는 강수 예측 방법.
5. 제1항에 있어서,
   상기 딥러닝 기반 강수 예측 모델은 상기 지상 관측 자료에 포함된 시간적 정보를 학습하는 RNN(Recurrent neural network) 모델로 구성되는 것
   을 특징으로 하는 강수 예측 방법.
6. 제1항에 있어서,
   상기 딥러닝 기반 강수 예측 모델은 상기 지상 관측 자료에 포함된 시간적 정보를 학습하는 LSTM(long short-term memory) 모델과 상기 지상 관측 자료에 포함된 공간적 정보를 학습하는 어텐션(attention) 모델로 구성되는 것
   을 특징으로 하는 강수 예측 방법.
7. 제6항에 있어서,
   상기 어텐션 모델은 상기 공간적 정보로서 기상 관측소 쌍 간의 상황 관계(contextual relationship)를 학습하기 위한 자기-어텐션(self-attention) 모델을 사용하는 것
   을 특징으로 하는 강수 예측 방법.
8. 제6항에 있어서,
   상기 어텐션 모델은 상기 공간적 정보에 대한 자기-어텐션을 위해 멀티-헤드 어텐션 계층(multi-head attention layer)과 FFN(feed-forward network)로 구성된 트랜스포머(Transformer)의 인코더 계층을 포함하는 것
   을 특징으로 하는 강수 예측 방법.
9. 제1항에 있어서,
   상기 딥러닝 기반 강수 예측 모델은 상기 레이더 관측 자료에 포함된 레이더 이미지를 학습하는 CNN(convolutional neural network) 모델로 구성되는 것
   을 특징으로 하는 강수 예측 방법.
10. 강수 예측 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램에 있어서,
    상기 강수 예측 방법은,
    대상 지역의 레이더 관측 자료와 지상 관측 자료를 수집하는 단계; 및
    상기 레이더 관측 자료와 상기 지상 관측 자료를 입력으로 하는 딥러닝 기반 강수 예측 모델을 통해 상기 대상 지역에 대한 강수 예측을 수행하는 단계
    를 포함하는, 컴퓨터 프로그램.
11. 컴퓨터 장치에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    대상 지역의 레이더 관측 자료와 지상 관측 자료를 수집하는 과정; 및
    상기 레이더 관측 자료와 상기 지상 관측 자료를 입력으로 하는 딥러닝 기반 강수 예측 모델을 통해 상기 대상 지역에 대한 강수 예측을 수행하는 과정
    을 처리하는 컴퓨터 장치.

Images